論文の概要: Comparing Object Detection Models for Electrical Substation Component Mapping

• arxiv url: http://arxiv.org/abs/2512.22454v1
• Date: Sat, 27 Dec 2025 03:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.061616
• Title: Comparing Object Detection Models for Electrical Substation Component Mapping
• Title（参考訳）: 変電所成分マッピングのための物体検出モデルの比較
• Authors: Haley Mody, Namish Bansal, Dennies Kiprono Bor, Edward J. Oughton,
• Abstract要約: 我々は、米国のサブステーション画像のデータセットを手動でラベル付けした3つのモデルの出力(YOLOv8, YOLOv11, RF-DETR)をトレーニングし、比較する。 本稿では,各モデルの重要な長所と短所を示し,信頼性と大規模サブステーションコンポーネントマッピングを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrical substations are a significant component of an electrical grid. Indeed, the assets at these substations (e.g., transformers) are prone to disruption from many hazards, including hurricanes, flooding, earthquakes, and geomagnetically induced currents (GICs). As electrical grids are considered critical national infrastructure, any failure can have significant economic and public safety implications. To help prevent and mitigate these failures, it is thus essential that we identify key substation components to quantify vulnerability. Unfortunately, traditional manual mapping of substation infrastructure is time-consuming and labor-intensive. Therefore, an autonomous solution utilizing computer vision models is preferable, as it allows for greater convenience and efficiency. In this research paper, we train and compare the outputs of 3 models (YOLOv8, YOLOv11, RF-DETR) on a manually labeled dataset of US substation images. Each model is evaluated for detection accuracy, precision, and efficiency. We present the key strengths and limitations of each model, identifying which provides reliable and large-scale substation component mapping. Additionally, we utilize these models to effectively map the various substation components in the United States, showcasing a use case for machine learning in substation mapping.
• Abstract（参考訳）: 電気変電所は電力網の重要な構成要素である。 実際、これらの変圧器(例えば変圧器)の資産は、ハリケーン、洪水、地震、地磁気誘導電流(GIC)など、多くの危険から破壊されがちである。 電力網は重要な国家インフラと見なされているため、いかなる障害も経済的および公共の安全に重大な影響を及ぼす可能性がある。 これらの障害を予防し緩和するためには、脆弱性を定量化するために重要なサブステーションコンポーネントを特定することが不可欠である。 残念ながら、従来の変電所インフラの手動マッピングは時間と労力がかかる。 したがって,コンピュータビジョンモデルを用いた自律型ソリューションが望ましい。 本研究では,米国サブステーション画像のデータセットを手動でラベル付けした3つのモデル(YOLOv8, YOLOv11, RF-DETR)の出力をトレーニングし,比較する。 各モデルは、検出精度、精度、効率を評価するために評価される。 本稿では,各モデルの重要な長所と短所を示し,信頼性と大規模サブステーションコンポーネントマッピングを提供する。 さらに、これらのモデルを用いて、米国の様々なサブステーションコンポーネントを効果的にマッピングし、サブステーションマッピングにおける機械学習のユースケースを示す。

関連論文リスト

• Power Battery Detection [91.99787495748218]
  電力電池は、内部構造欠陥が深刻な安全リスクを生じさせる電気自動車において必須の部品である。 我々は,X線画像から陰極および陽極板の密集端を局所化し,品質検査を行うことを目的として,電力電池検出(PBD)に関する総合的研究を行った。 PBD5Kは,9種類のバッテリタイプから5,000枚のX線画像と8種類の実世界の視覚的干渉を含む,このタスクのための最初の大規模ベンチマークである。
  論文  参考訳（メタデータ） (2025-08-11T09:35:25Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Research on fault diagnosis of nuclear power first-second circuit based on hierarchical multi-granularity classification network [0.14183971140167245]
  本稿では、AP1000のフルスケールシミュレータを用いて、原子力ユニットにおける重要なシステムの重要な機械的コンポーネントの故障をシミュレートする。 EfficientNet大モデルに基づく階層型多重粒度分類故障診断モデルを提案する。 その結果, 提案した故障診断モデルは, 原子力ユニットの異なる回路およびシステム構成部品の故障を階層的分類に効果的に分類できることが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T00:38:17Z)
• XAI-guided Insulator Anomaly Detection for Imbalanced Datasets [11.215245485606369]
  電力網は多くの産業において重要な要素であり、産業プロセスや技術にシームレスに電気エネルギーを供給している。 ドローンは電力線を検査するためにますます配備され、その結果、高速で正確な処理を必要とする大量の視覚データの流れが生まれる。 ディープラーニング手法はこのタスクで広く普及し、障害検出において貴重な資産であることが証明されている。
  論文  参考訳（メタデータ） (2024-09-25T11:19:42Z)
• Algorithms for Object Detection in Substations [1.2332152663522145]
  本稿では,オブジェクト関係モデリングとトランスフォーマーモデルを組み合わせる。 バックボーン、エンコーダ、デコーダ、予測ヘッドの4つの部分がある。 提案手法は,サブステーションにおける物体認識において,他の3つのモデルよりもはるかに優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-23T20:18:07Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Efficient pre-training objectives for Transformers [84.64393460397471]
  本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。 マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
  論文  参考訳（メタデータ） (2021-04-20T00:09:37Z)
• Determination of Fault Location in Transmission Lines with Image Processing and Artificial Neural Networks [0.0]
  ANN(Artificial Neural Network)は、伝送路内の異なる接地系における短い回路欠陥を正確に検出するために用いられる。 伝送線路モデルはPSCAD-EMTDCシミュレーションプログラムで作成される。
  論文  参考訳（メタデータ） (2021-02-22T14:43:13Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• Segmentation and Defect Classification of the Power Line Insulators: A Deep Learning-based Approach [0.0]
  2段階のモデルを導入し、絶縁体を背景から分離し、状態の分類を4つのカテゴリ、すなわち、健康、壊れ、焼かれた/焼かれた、そして不足したキャップに基づいて行う。 実験の結果, 提案手法は絶縁体の有効セグメンテーションを実現し, 複数種類の故障を検出する精度が高いことがわかった。
  論文  参考訳（メタデータ） (2020-09-21T20:25:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。